大語言模型（LLMs）和生成式 AI 正在推動 AI 技術與金融業務深度融合。量化金融領域涉及到海量數據和模型計算，這些計算對性能有較大的要求，同時對數據處理實時性的要求也很高。因此，如何加速處理大數據，加速模型的訓練和推理優化等在量化投研場景中非常重要。

NVIDIA GPU 加速的解決方案能夠助力量化金融加速邁入高算力大模型時代。在日前舉辦的“技術圓桌派”第二期精英人才閉門會上，NVIDIA 中國區金融行業工程及解決方案經理史永明、NVIDIA 中國區金融行業解決方案架構師趙凡作為特邀嘉賓，針對量化領域經常遇到的海量數據處理；面對時序指標的預測如何一氣呵成地完成數據集引入、準確率比較、推理優化及部署等一系列工作；讓模型實現最優的推理速度和資源占用；大語言模型訓練的解決方案和最佳實踐等問題做了深度剖析和解答。

在演講中，NVIDIA 中國區金融行業工程及解決方案經理史永明表示，當前大模型出現了能力涌現。大模型已經具備了一定的通用人工智能的能力，初步形成語言理解能力，可以很好地處理眾多語言任務及相關其他任務。可以讓模型從海量的數據中，提取出最能夠刻畫行業當前邏輯，或尋找上市公司表現的蛛絲馬跡，NVIDIA 的 GPU 計算平臺能夠為大模型的訓練提供更強算力。

圍繞 NVIDIA 在量化金融方面的實踐，NVIDIA 中國區金融行業解決方案架構師趙凡做了深入解讀。他強調，量化交易需要處理海量數據，而 GPU 在大數據處理方面有著明顯的效率優勢，將在未來量化數據分析中發揮重要作用。GPU 以及基于 GPU 的金融行業解決方案，能夠為量化投資贏得先發優勢。

此外，在量化金融領域，時序預測是個永恒的核心課題，每 0.1%的預測精度提升都可能會帶來巨大的收益，因此有必要使用業內最先進的 AI 預測模型來裝備量化分析的工具箱。以 NVIDIA 最新推出的 NVIDIA 時間序列預測平臺（TSPP）為例，這是一個設計用于輕松比較和實驗預測模型、時間序列數據集和其他配置的任意組合的工具。作為一個端到端的框架，TSPP 使用戶能夠訓練、調整和部署時間序列模型。TSPP 默認支持 NVIDIA 優化版的時間融合 Transformer（TFT）模型，除此之外還支持 XGBoost 模型，AutoARIMA 及 LSTM 模型。在 TSPP 中，TFT 訓練可以使用多 GPU 訓練、自動混合精度和指數移動權重平均來加速。

這個模型可以進行數據并行的訓練。下圖是一個吞吐量的測試，藍色的數據是在 CPU 上面測的，綠色的數據是 NVIDIA 在 A100 GPU 上進行的一個測試。測試顯示，這個模型可以在 A100 上以極大的吞吐量去進行推理。這樣的好處就是可以同時推理多種不同的股票，或是相應的經濟數據，從而預測未來的走勢。

在推理的時延方面，如下圖所示，綠色的幾乎看不見的是 GPU 上面的推理時延，藍色的柱狀圖是 CPU 上面的推理時延。事實證明，GPU 的推理時延在較大批量的情況下，基本上是個位數，幾毫秒的延遲，可以滿足交易實時性的需求。

NVIDIA 兩位專家的演講獲得了聽眾的認同。北京大學金融學&理論物理專業的一位同學表示：“通過 NVIDIA 的外部嘉賓的分享了解到了工業界在大數據處理加速方面的前沿應用，這是在學校里難以接觸到的寶貴知識”。來自清華大學軟件工程專業的一位博士研究生也表示：“NVIDIA 如何用 GPU 加速大數據處理讓我了解到了幾個新的針對大數據的高性能計算庫，后續我也準備在自己的科研中嘗試使用這些庫來加速自己的數據處理代碼”

事實上，AI 對金融業的積極影響還將釋放。根據 NVIDIA 發布的《2023 年金融業最關注的 4 大 AI 方向》，AI 正在對金融機構產生可以量化的影響。近一半的受訪者表示，AI 將幫助他們的企業機構增加至少 10%的年收入。超過三分之一的人表示，AI 每年還將幫助其減少至少 10%的成本。而隨著生成式 AI 的出現，金融業或將從中受益更多。